prédiction de la défaillance de la clientèle du micro crédit au maroc
Transcription
prédiction de la défaillance de la clientèle du micro crédit au maroc
European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 PRÉDICTION DE LA DÉFAILLANCE DE LA CLIENTÈLE DU MICRO CRÉDIT AU MAROC : LA MÉTHODE DES SCORES Omar Taouab, PhD Université Ibn Tofail, Kenitra, Morroco Abstract Growth of microfinance in Morocco dates from the mid 1990s and became particularly active during the 2000s. Currently , the sector began to experience multiple risks including the credit .Indeed, credit risk , which may hinder the emergence of micro-finance institutions , has become one of the main concerns of financial institutions. Thus, an important place should be reserved for the art of risk management of the borrowers notably through the anticipation of their failure. This goal is achievable in advance through the use of a technique scores which allows you to assign an individual to one of the groups namely the right customers and failed. Drawing lessons on discrimination function presented by ( Saporta , 1975) , the judgment can be made according to the socio -economic and demographic characteristics of each customer and given the form taken by the different variables. The calculation of scores allowed us to develop a discrimination filter for note customers , identify classes of risk and identify those likely to get faulty at the time of repayment. Keywords: Micro Credit, Risk, Failure, Scoring Abstract L’émergence de la micro finance au Maroc ne date pas de longtemps si ce n’est pas des années 90 , avec la création de l’association Al amana qui joue un rôle non négligeable en matière d’octroi des crédits aux petits emprunteurs. Néanmoins, dès la dernière décennie, cet organisme s’est trouvé confrontée à des problèmes de maitrise du risque d’insolvabilité de la clientèle. Ce risque, devenu l’une des préoccupations principales des institutions financières, a bien évidement des effets négatifs qui peuvent mettre en péril la pérennité de cet activité. Dans ce sens, nous avons essayé de mener une étude qui a pour finalités l’examen de la corrélation entre les différentes variables socio-économiques 333 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 des clients d’une part, et la détermination des facteurs clés de l’insolvabilité des clients. Sur le plan empirique, nous avons mobilisé la méthode de discernement sur variables qualitatives (scores). Une telle technique, introduite en 1975 par Saporta, permet de calculer des scores qui constituent, autrement, un filtre de discrimination permettant de noter les clients, d’identifier des classes de risque et de repérer ceux susceptibles de tomber défaillants à la date de remboursement. Pour opérationnaliser notre démarche, nous avons exploité la base de données disponible à l’association Al Amana sur laquelle la technique des scores est appliquée pour aboutir à des éléments de réponse relatés dans la conclusion. Mots clés: Micro crédit, Risque, Défaillance, Score Introduction Les établissements de micro-crédit commencent récemment à prendre de l’envergure à côté des organismes spécialisés partout dans le monde. Au niveau national, ce développement confère à certain acteur tel que l’Association Al Amana un rôle non négligeable en matière de financement des micro- projets en tant que composante de l’acte entrepreneurial au Maroc (Taouab, 2014). Toutefois, cette activité, qui n’est pas exemptée de risques, expose les établissements de crédit à des difficultés diverses dont notamment la défaillance des clients. De ce fait, la réflexion sur un modèle de contrôle du risque de remboursement s’impose avec acuité. Cette exigence est à satisfaire, au moins, pour assurer la pérennité de ce type de financement, si ce n’est pas son efficience et son développement. Un tel objectif, sur le plan méthodologique, devient, probablement, réalisable moyennant un travail fait en amont et qui porte sur chaque client potentiel prétendant au financement. Cette réflexion peut être réalisée à travers des scores, calculés sur la base des caractéristiques socioéconomiques et démographiques de chaque client, qui aboutissent sur l’identification des classes de risque et de repérer les clients susceptibles de tomber défaillants à la date de remboursement. Pour faire aboutir cette réflexion, ce papier essaie de passer en revue certaines études antérieures; dresser une démarche empirique et, à la fin, présenter les résultats assortis de quelques suggestions. Quelques études antérieures Plusieurs études utilisant la méthode des scores ont été menées sur l’analyse du risque de défaillance des demandeurs de crédit en. On cite, à 334 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 titre d’exemple, celles faites par le groupe ACCION en Bolivie et en Equateur durant l’année 2002, et celles menées en Colombie et en République Dominicaine pendant l’année 2004 par Women’s World Banking (Schreiner, 2007). Tableau 1 : Synthèse de la revue de la littérature Auteur Mark Schreiner Viganò, L. Ousséni Kinda et Audrey Achonu BEN SOLTANE BASSEM Schreiner et Nagarajan (1998) 335 Pays Période Échantillon Méthodologie Bolivie De 1988 à 1996 39956 prêts remboursés entre 19881996. Régression logistique Burkinafasso 1993 100 Analyse discriminante Sénégal Du 1er janvier 2007 au 31 Décembre 2010 30 Emprunteurs Modèle logit Entre 2006 et 2007 496 emprunteurs individuels des IMF Tunisiennes Régression logistique Entre 1993 et 1994 Les 716 observations comprennent 104 emprunteurs et 612 nonemprunteurs. Sur les 104 emprunteurs, 69 utilisent la Régression logistique Tunisie Gambie Résultats Le modèle identifie avec précision les caractéristiques qui influent sur les risques et, plus important encore, il prédit le risque mieux, mais il ne pourra probablement pas remplacer les chargés de prêts et leurs connaissances de caractère qualitatif. Les résultats de ces études suggèrent que la qualité des portefeuilles de prêts peut s'améliorer grâce à un crédit adapté et spécialement conçu pour s'adapter aux PMA particulier du contexte. Dans une perspective plus large, un contrôle efficace du risque de crédit est un aspec crucial de la gestion de la banque, en particulier dans le développement. Les résultats montrent que les variables âge, l'âge au carré, le sexe, l'historique des remboursements, la garantie et la fréquence de remboursement sont tous statistiquement significatifs en ce qui concerne leur relation avec la probabilité de remboursement dans le modèle logit. Les résultats ont montré que le genre, le rationnement du crédit, la possession d’une maison, d’autres sources de richesse, un revenu permanent, et finalement l’âge de l’association sont négativement corrélés avec la probabilité de défaut. Cependant, il s’est avéré que l’état civil, la possession d’un garant, la présence d’autres institutions dans la même zone géographique, le fait de contracter un prêt afin de mettre en œuvre un nouveau projet sont positivement corrélés avec la probabilité de défaut. Les auteurs ont affirmé que les prêteurs informels sont des juges astucieux de la solvabilité, et dans la mesure où les prêteurs informels peuvent avoir des informations concernant les emprunteurs qui sont difficiles à obtenir par les prêteurs formels, ceux-ci peuvent suivre les traces des prêteurs informels. Ils ont montré qu'il était le cas pour certaines caractéristiques. En particulier, être European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 copérative RoSCA et 35 utilisent la copérative ASCRAs. femme et ayant emprunté à d'autres sources informelles sont des bons prédicateurs pour que les prêteurs informels jugent un emprunteur potentiel d'être solvable ou non. Finalement, les auteurs ont conclu que les leçons tirées de la finance informelle peuvent aider à reformer la finance formelle en Afrique. L’objectif primordial de ces études était de vérifier que quelques informations et indicateurs déduits des dossiers relatifs aux clients suffisaient pour prédire la défaillance de ces derniers. Après cette revue de littérature, nous allons nous inspirer d’une étude menée au Mali, sur l’institution de micro-finance de Nyèsigiso, qui a était réalisée par Boubacar Diallo en 2006, c’est la seule étude pour laquelle le rapport méthodologique s’est avéré plus détaillé et plus intéressant. Cette étude avait pour but, le développement d’un modèle de Crédit « Scoring » pour cette institution de micro-finance, afin de pouvoir qualifier l’éligibilité du client au financement. S’imprégnant des déductions de la revue théorique menée Boubacar Diallo, Les variables retenues pour le traitement des données sont déclinées ci-après: - nct : le numéro de contrat ; - zone : la zone géographique ; - local : donne le milieu de résidence du client (Urbain/Rural) ; - sexe : le sexe du client ; - datnais : la date de naissance du client ; - etatmatr : désigne l’état matrimonial du client ; - sectact : indique le secteur d’activité du client; - typpret : montre s’il s’agit d’un prêt solidaire (PS) ou d’un prêt individuel (PI) ; - datderech : la date de la dernière échéance ; - datdempre : la date de demande du prêt ; - datobtpre : la date d’obtention du prêt ; - mntdem : indique le montant de prêt que le client a demandé (en DH) ; - mntacor : indique le montant de prêt accordé au client (en DH) ; - period : désigne la périodicité de remboursement. - âge : l’âge du client ; - durpret : indique la durée du prêt en nombre de jours, elle est égale à la différence entre la date de la dernière échéance et la date d’obtention du prêt ; - tempatt : définit le temps d’attente pour l’obtention du prêt en nombre de jours, elle est égale à la différence entre la date d’obtention du prêt et la date de sa demande ; 336 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 - degratio : désigne le degré de rationnement, il est égale au rapport de la différence entre le montant de prêt demandé et le montant de prêt accordé, et le montant de prêt accordé. La variable dépendante est la défaillance du client. Il s’agit d’une variable binaire notée « default » tel que : - default =1 si le client est défaillant selon la définition adoptée par Al Amana ; - default =0 si le client est sain selon la définition adoptée par Al Amana. Méthodologie Méthodologiquement, la démarche est articulée autour de l’échantillonnage, l’analyse des données, présentation de la technique des scores et, finalement, les résultats. L’échantillonnage Notre échantillon de travail tiré de la base de données Al Amana via le Business Object est composé de 843 observations. Le tableau suivant, présente la répartition des bons et des mauvais clients dans l’échantillon. Tableau 2 : Répartition des bons et des mauvais clients dans l’échantillon. localisation Défaillants en % Non défaillants en %zone Total/ Total Urbain rural 16,33 6,09 22,36 46,16 62,49 31,48 37,57 77,64 100 Les données L’ensemble des informations telles que : l’âge du client, son sexe, son état matrimoniale, son milieu de résidence, le secteur d’activité où il exerce son métier, le montant de crédit sollicité, la fréquence de remboursement exprimée en nombre jours sont stockées sur une base de données sur le serveur de l’Association. Ces données ont été converties sous format Exel pour aborder l’apurement des données disponibles et pour calculer d’autres variables à partir des premières. En suite ces informations ont été traitées à l’aide de SPSS, afin de ne retenir que les variables liées à notre problématique et seront étudiées moyennant la technique des scores. La méthode des scores Cette technique de discrimination sur variables qualitatives, introduite en 1975 par Saporta , consiste à effectuer, à partir de variables découpées en classes, une analyse des correspondances multiples (ACM) sur le tableau disjonctif complet de ces variables. Ensuite, placer les 337 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 coordonnées (continues) des individus sur les axes factoriels les plus discriminants issus de l’ACM. Dans une étape ultérieure, on procède à un changement de variables dans la fonction de score de Fisher pour l’exprimer en termes des indicatrices des modalités des variables initiales. Étant donné que le score est une combinaison linéaire des coordonnées factorielles et puisque les axes sont combinaison linéaire des modalités, le score s’exprime de la formule suivante: k S = ∑ d jZ j j =1 Z j = XU j On a : Avec : j Avec U sont les coordonnées des catégories sur le jème axe. k k k S = ∑ d j Z = ∑ d j XU = X ∑ d jU j j =1 j =1 j =1 j Alors, Avec : k : le nombre d’axes retenus ; X est le TDC : j grille de score Les résultats Ces résultats concernent aussi bien les données que la validation de la fonction de discernement (fonction des scores). Résultats des tests statistiques Test de dépendance Les résultats du teste khi-deux, présentés sur les résultats-annexes, montrent que pour toutes les variables, l’hypothèse d’indépendance est rejetée au seuil de signification 5%. Donc on peut dire qu’il y a une dépendance entre la variable expliquée et les variables explicatives choisies. Afin de s’assurer que les classes des variables sont significativement différentes, on a opté pour un test d’égalités des moyennes de ces classes. Test de Kruscal Wallis A partir des résultats de ce test, nous remarquons que tous les seuils critiques sont inférieurs à α =5%, donc on rejette l’hypothèse nulle du test de Kruksal Wallis H0 pour toutes les variables explicatives testées. Ce qui signifie que les classes formées sont différentes deux à deux. Corrélation entre les variables La matrice de corrélation entre les variables explicatives est donnée par le tableau suivant : 338 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 Tableau 3: Matrice de corrélation Degratio etamatr tempatt typpret sexe period zone dupret age local sectact mntacor Degratio etamatr 1,000 0,001 0,001 1,000 0,000 0,007 -0,003 0,004 0,004 0,004 0,007 0,001 0,000 0,020 -0,048 -0,009 -0,009 0,263 0,029 0,036 -0,010 -0,030 0,425 0,004 tempatt typpret sexe 0,000 -0,003 0,040 0,007 0,004 0,004 1,000 -0,002 0,017 -0,002 1,000 0,019 0,017 0,019 1,000 0,021 0,019 0,002 0,003 0,024 0,009 0,029 -0,010 -0,028 0,015 -0,004 -0,048 0,011 -0,014 0,153 -0,003 -0,011 -0,221 -0,011 0,011 0,168 period 0,007 0,001 0,021 0,019 0,002 1,000 0,006 -0,127 -0,003 -0,083 0,018 0,049 zone 0,000 0,020 0,003 0,024 0,009 0,060 1,000 -0,081 -0,014 -0,138 0,102 0,011 dupret -0,048 -0,009 0,029 -0,010 -0,028 -0,127 -0,081 1,000 -0,010 -0,065 0,076 -0,178 age -0,009 0,263 0,015 0,004 -0,048 -0,003 -0,014 -0,010 1,000 0,005 0,063 -0,056 local 0,029 0,036 0,011 -0,014 0,153 -0,083 -0,138 -0,065 0,005 1,000 0,319 0,121 sectact -0,010 -0,030 -0,003 -0,011 -0,221 0,018 0,102 0,076 0,063 0,319 1,000 -0,080 On remarque que toutes les variables explicatives sont faiblement corrélées deux à deux, puisque tous les coefficients de corrélation sont inférieurs à 0,7. On remarque aussi, que la plus grande corrélation est celle entre le mntacor (Montant accordé) et degratio (le degré de rationnement), avec un coefficient égale à 0,425. Résultats de détermination des scores Pour le calcul des scores nous avons appliqué l’ACM et l’AFD moyennant le logiciel XLSTAT qui nous a permis d’avoir plus de résultats que le logiciel SPSS. L’analyse des correspondances multiples (ACM) La figure suivante présente l’inertie expliquée de chaque axe factoriel (Série1) et la courbe du cumul des inerties ajustées des axes (Série2) : Figure 1 : Histogramme des valeurs propres et courbe du cumul des 339 mntacor 0,425 0,004 -0,011 0,011 0,168 0,049 0,011 -0,178 -0,056 0,121 -0,080 1,000 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 Dans le même cadre, le tableau ci-dessus donne les valeurs propres associées à chaque axe ainsi que le taux d’inertie expliquée : Tableau 4 : Les valeurs propres et pourcentage d’inertie des axes. En analysant le tableau 4, on remarque une stationnarité de la courbe du cumul des inerties ajustées à partir du 12ème axe. De ce fait, et puisque l’apport des 13 premiers axes est signifiant, nous les avons retenues parmi les 28 existants. Résultats de l’analyse discriminante (AFD ) L’analyse discriminante s’effectue après l’analyse des correspondances. En effet, nous avons appliqué l’AFD aux coordonnées des individus sur les 13 axes retenus dans l’analyse précédente. Les premiers résultats de cette analyse sont présentés dans le tableau de signification des axes suivant : Tableau 5 : Signification des axes. Nous remarquons que le degré de signification de chaque axe est inférieur à 5% (égale à 0). Ainsi, les axes retenus dans la partie précédente sont tous discriminants. Ils s’agit des axes suivants : F1; F2; F3; F4; F5; F6; F7; F8; F9; F10; F11; F11; F12; F13. 340 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 Le degré de discrimination des axes est aussi représenté par les scores qui varient entre -0,371 et 0,857. Ces scores ainsi que les degrés de signification nous ont permis d’éliminer les axes les moins discriminants, comme le nous l’avons déjà signalé. Nous avons obtenu le tableau suivant : Axe Score F7 -0,223 F1 0,586 F8 0 ,218 Tableau 6: Score des axes. F2 F3 F4 -0,371 0,857 0,835 F9 F10 F11 0,292 -0,194 -0 ,043 F5 0,1555 F12 -0,018 F6 0,210 F13 -0,049 A partir de ce tableau et puisque les axes ne sont que des combinaisons linéaires des modalités, nous pouvons déterminer les scores des modalités à partir de ceux des axes et conséquent, préciser les modalités les plus discriminantes pour chaque classe de variable. Calcul des scores des modalités D’près la formule (1), le score d’un individu est la somme des scores des modalités qui le caractérisent. Si on connaît les scores de toutes les modalités on peut déduire les scores des individus. Ainsi, en appliquant la formule (1), on trouve le tableau des scores des modalités présenté cidessous, il est appelé chez les professionnelles la grille de score. En effet, c’est le produit matriciel de la matrice constituée des coordonnées des modalités sur les axes significatifs et de la matrice constituée des scores de ces axes : Tableau 7: Score des modalités (Grille des scores). Variable Modalité Score 1 -0,0385 2 -0,0718 zone 3 1,1935 4 -0,4327 1 0,2098 local 2 -0,3495 1 0,0646 sexe 2 -0,0718 1 0,1554 age 2 -0,0365 3 -0,1465 1 0,0316 2 -0,4500 EtatMatr 3 -0,0430 4 -0,0531 1 -0,4402 Sectact 2 0,2565 3 0,1918 341 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 typret Mntacor Period Durpret Tempatt Degration 4 1 2 1 2 3 4 5 6 1 2 3 1 2 3 1 2 3 1 2 3 0,2904 0,0246 -0,2852 -0,5070 -0,1499 0,0130 0,2531 -0,1860 0,9722 0,7268 1,0090 -0,1279 1,0090 -0,2993 0,1521 -0,5825 -0,5460 1,6072 0,1722 -0,0098 -0,2597 D’après les tableaux 6 et 7, nous avons conclu que les modalités ayant des scores négatifs présentent un faible risque et donc caractérisent les «BONS », alors que les modalités ayant des scores positifs présentent un fort risque et donc caractérisent les « MAUVAIS ». Ainsi, un client est jugé « BON » s’il a les particularités suivantes : - ZONE : Nord-Est, Nord-Ouest, Sud-Ouest ; - LOCAL : Rural ; - SEXE : Femme ; - 35 ≤ AGE ≤ 87 ans ; - ETATMATR : Divorcé, Veuf, Célibataire ; - SECTACT : Agriculture ; - TYPPRET : Prêt Individuel ; - 1000 ≤ MNTACOR < 4000 DH ou 10 000 ≤ MNTACOR < 15 000 DH ; - PERIOD : Mensuelle ; - 13 ≤ DURPRET < 19 mois; - TEMPATT d’une et deux semaines ; - DEGRATIO > 0. De ce fait, un « MAUVAIS » client se caractérise par le reste des modalités qui sont : - ZONE : Sud-Est ; 342 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 - LOCAL : Urbain ; SEXE : Homme ; 18 ≤ AGE < 35 ans; ETATMATR : Marié ; SECTACT : Commerce, Service, Artisanat ; TYPPRET : Prêt Solidaire ; 4000 ≤ MNTACOR < 10 000 DH ou 15 000 ≤ MNTACOR < 50 000 DH ; PERIOD : Hebdomadaire ou Bimensuelle ; 5 ≤ DURPRET < 13 mois ou 19 ≤ DURPRET < 61 mois ; TEMPATT Entre deux et quatre semaines ; DEGRATIO = 0. Validation des scores par simulation Après détermination du seuil d’affectation des clients suivant ses propres caractéristiques, cette validation est effectuée par simulation des nos propres affectation à celles constatées auprès de l’association Al Amana. a-Choix du seuil d’affectation des clients Pour déterminer le seuil d’affectation des clients, nous avons calculé l’indice de Génie dont la formule est G=(1-2*Z). L’indicateur Z désigne la surface sous la courbe de ROC. Pour notre échantillon, Z prend la valeur de 0,276 avec un écart type de 0,002 ce qui confère à G une valeur de 0,44 confirmant, par conséquent la bonne qualité d’affectation des clients. En effet, le seuil choisi est S = 0,2 possédant un taux de classement égal à 66,33% ; ainsi la prise de décision sera comme suit : Si le client a un score ≤ 0,2 il est prédit «BON» ; Si le client a un score > 0,2 il est prédit «MAUVAIS». b-Choix du seuil d’affectation des clients Les résultats de simulation de l’affectation des clients au seuil de référence (S=0,2) sont de l’ordre de : • Le pourcentage des défaillants parmi les mauvais clients est 67%. • Le pourcentage des solvables parmi les bons clients est 66%. Il est donc suggéré à l’association de procéder à la mise à jour du seuil d’affectation en vérifiant à chaque fois le taux de bon classement. Conclusion Les résultats ont montré que toutes les variables retenues, à savoir les variables socio-économiques, matrimoniales, culturelles et démographiques, ont prouvé leurs effets sur la décision de rembourser ou non les emprunts. 343 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 A l’issue de l’évaluation de l’impact de chaque variable, nous pouvons déterminer la probabilité d’être défaillant compte tenu de la présence d’une modalité donnée par type de variable retenue. La synthèse de multiple effets et contribution à la défaillance potentielle d’un client requiert le développement d’une application informatique susceptible de donner une probabilité d’être défaillant avec un certain pourcentage de risque. variables Zone Local Sexe Age Etatmatr Sectact Typepret Mntacor Period Durpret Tempatt degratio Annexe1 : Résultats du test de Khi Khi-deux Degré de liberté Seuil critique 2678,95 3 0.000 1153,73 1 0.000 72,53 1 0.000 311,76 2 0.000 48,22 3 0.000 1485,75 3 0.000 6,009 1 0.014 454,033 5 0.000 1656,77 2 0.000 2330,37 1 0.000 4059,37 2 0.000 8,545 2 0.014 Annexe 2 : Résultats du test de Kruscal Wallis. variables SKW Degré de liberté Seuil critique Zone 113,26 1 0.000 Local 1153,72 1 0.000 Sexe 72,53 1 0.000 Age 310,80 1 0.000 Etatmatr 36,38 1 0.000 Sectact 1183,14 1 0.000 Typepret 32,00 1 0.031 Mntacor 374,31 1 0.000 Period 1650,81 1 0.000 Durpret 2330 1 0.000 Tempatt 2970,27 1 0.000 degratio 27,43 1 0.041 Références: Al Amana, Rapport d’activité 2006, 2007; Ben Soltane Bassem (2008). Le crédit scoring: une nouvelle voie pour réduire les problèmes de remboursement et améliorer la performance des IMFs. Savings and Development Vol. 32(2008), No. 3, pp. 175-204; 344 European Scientific Journal July 2014 edition vol.10, No.19 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 Diallo B. (2006) « Un modèle de «Credit scoring pour une institution de microfinance Africaine, le cas de Nyesigiso au Mali » Fossou F. (2007) « Gestion stratégique et opérationnelle du Risque de Crédit dans les Institutions de Microfinance : cas du PADME-Benin » ; O.Taouab; 2014. Essai empirique sur les déterminants de l’acte entrepreneurial dans le secteur textile, European Scientific Journal March 2014 edition vol.10, No. Ousséni Kinda et Audrey Achonu Building (2012). A Credit Scoring Model For The Savings And Credit Mutual Of The Potou Zone (MECZOP)/Senegal. Consilience :The Journal of Sustainable Development. Vol. 7, Iss. 1 (2012), Pp. 17–33. Schreiner, M. (1999b). A scoring model of the risk of costly arrears at a microfinance lender in Bolivia. Center for Social Development, Washington University in St.Louis, gwbweb.wustl.edu/users/schreiner/ Schreiner, M.; and G. Nagarajan. (1998) “Predicting Creditworthiness with Publicly Observable Characteristics: Evidence from ASCRAs and Roscas in the Gambia”, Savings and Development, Vol. 22, No. 4, pp. 399–414. Viganò, L., 1993. A Credit-Scoring Model for Development Banks: An African CaseStudy. Savings and Development, 17 (4), 441-82. 345